Comment les États-Unis sont-ils devenus champions de l’IA ?

Data centers, puces GPU, modèles : sur presque tous les maillons de la chaîne de valeur de l'intelligence artificielle, ce sont des entreprises américaines qui dominent. Ce leadership est le résultat du modèle néolibéral américain, qui entretient une grande porosité entre recherche, État, marché et secteur privé. Ce système a engendré des géants quasi monopolistiques, aujourd'hui incontournables sur l'ensemble de la chaîne de valeur, et suffisamment puissants pour orienter les avancées scientifiques à leur propre avantage.

Le modèle américain : catalyseur des avancées en IA

Le développement de l’intelligence artificielle naît avec les premiers ordinateurs pendant la Seconde Guerre Mondiale. Alan Turing, un mathématicien britannique, craque le code de la machine allemande Enigma (histoire racontée dans le super film The Imitation Game) et publie en 1950 « Computing Machinery and Intelligence », considéré comme le premier article évoquant l’intelligence artificielle1. Il définit une machine intelligente comme une machine capable de passer le « Test de Turing » : si un juge discutant parallèlement avec une machine et un humain ne peut pas faire la différence, alors la machine est intelligente.

Mais le terme « intelligence artificielle » apparaît pour la première fois lors de la conférence de Dartmouth, aux États-Unis en 1956. C’est le premier « âge d’or »1 de l’IA. En pleine Guerre Froide, les Russes viennent de marquer les esprits avec le « moment Spoutnik » : il n'est pas question pour les États-Unis de se laisser devancer. L’argent coule à flots (notamment de la DARPA, la Defense Advanced Research Projects Agency) pour développer des programmes militaires. Ceux-ci auront des retombées civiles, en particulier dans le domaine de l’algorithmique et de la robotique. La DARPA finance par exemple les projets de Marvin Minsky, cofondateur du Groupe d'intelligence artificielle du Massachusetts Institute of Technology (MIT) et reconnu comme l’un des pères de l’Intelligence Artificielle.

De l’IA Symbolique à l’IA Agentique en passant par le Deep Learning

Des années 50 aux années 70, le type d’IA utilisé est l’IA dite « symbolique ». Il repose sur la logique et des représentations symboliques des problèmes (c’est-à-dire lisibles par l’homme). Cela signifie que l’ordinateur « réfléchit » et « agit » en fonction de règles, de faits et d’un raisonnement déductif préprogrammé à la main par l’homme. Par exemple, le 1er Chatbot ELIZA, sorti en 1966, simulant un psychothérapeute, fonctionne par reconnaissance de forme et par substitution de mots-clés. Il relance son interlocuteur selon des associations d’idées pré-définies par le programmeur. Par exemple : Interlocuteur « Mon patron m’énerve », Chatbot « Parlez-moi de votre travail ».

Le Machine Learning, un autre type d’intelligence, est théorisé en 1958. Il ne sera appliqué que dans les années 80 et il est la base des IA modernes (dont ChatGPT). Contrairement à l’IA symbolique qui respecte des règles, le Machine Learning permet à la machine d’apprendre toute seule à partir de données sur lesquelles elle s’entraîne. Le Machine Learning évolue ensuite vers le Deep Learning grâce à des réseaux de neurones complexes, avant de déboucher sur les IA modernes que nous connaissons. Machine Learning, Deep Learning, IA modernes : les méthodes et les modèles divergent mais il est surtout important de comprendre qu’il s’agit d’un système d’apprentissage par la donnée. On l’appelle l’IA connexionniste.

Le Deep Learning connaît de grandes avancées dans les années 2010 (AlexNet, SenseTime, AlphaGo), il ouvre ensuite la voie à l’explosion d'autres formes d'IA dans les années 2020, notamment l'IA générative puis, très récemment, l'IA agentique. L’infographie suivante permet de comprendre les évolutions techniques et les diverses applications et adoptions de l’IA :

Ces notions techniques, même comprises en surface, sont importantes à saisir, tant elles ont des conséquences politiques et géopolitiques importantes :

1. La responsabilité et l’explicabilité. Avant même de se demander qui entraîne les modèles et de savoir si ces personnes ont des idées anti-woke ou non, la technologie en elle-même pose la question de la responsabilité et de l’explicabilité. À l’époque de l’IA symbolique, les règles étaient programmées par les humains. En cas de problèmes, on pouvait identifier sa raison (Par exemple : telle règle est mauvaise, il y a eu une erreur de programmation ici,…). Dans le cas de l’IA connexionniste (Deep Learning, IA Générative, Agentique ou Prédictive), nous n’avons pas d’explications précises, aucune trace du cheminement de prise de décisions par la machine. C’est l’effet « boîte noire ». Imaginez alors que l’on utilise ces programmes pour lancer des missiles : admettons qu’une IA envoie une bombe sur un village alors qu’il n’y a que des blessés, et enfreint donc le droit de la guerre. Qui est responsable ? La personne qui a codé l’IA ? L’entreprise qui a développé le modèle ? L’État dont elle dépend ? Il est extrêmement difficile de remonter dans la chaîne de responsabilité5. La DARPA a d’ailleurs lancé un programme de 4 Mds de dollars4 pour construire une IA capable de justifier ses décisions, mais ce n’est du tout le cas aujourd’hui.
2. La maîtrise de la chaîne de l’IA. Data centers, processeurs GPU, énergie, minerais, le besoin en gros volumes de données et en entraînement des modèles qu’impliquent les nouvelles formes d’IA reconfigure la chaîne de valeur et les terrains de compétition. Il s’agit désormais pour les puissances au mieux de la maîtriser, ou à défaut, de ne pas devenir trop dépendantes.

Et aujourd’hui, les entreprises américaines sont dominantes tout au long de cette chaîne de valeur :

Pour plus de détails sur la guerre des semi-conducteurs, maillon extrêmement important de la chaîne, parcourez l’infographie interactive dédiée !

Comment les États-Unis sont-ils devenus leaders de l’IA ?

Grâce à leur modèle néolibéral et à la porosité entre recherche État et secteur privé qui ont permis aux leaders mondiaux de créer des monopoles.

La porosité entre Tech, recherche, État et marchés

Dans son livre Géopolitique du numérique, Chap 5 : L’État néolibéral et la Big Tech, Ophélie Coelho explique « la logique récurrente [qui] accompagne la montée en puissance des géants du numérique : un amont financé, garanti et porté par l’État, suivi d’un verrouillage opéré par les logiques de marché » qu’elle appelle « Le cycle de dépendance État-marché-Big Tech7 ». Ces mécanismes ont conduit à des situations de monopole et à la captation de la recherche en IA par la Big Tech. C'est donc toute une logique néolibérale, faite de porosité entre public et privé, qui a permis aux États-Unis de devenir leaders mondiaux de l'IA.

Ce mécanisme a pour conséquence directe d'orienter la recherche vers les usages les plus rentables à court terme.

Il explique par exemple le triomphe de l’IA connexionniste (Deep Learning) sur l’IA symbolique : plus qu’une question de performance technique, il s’agissait surtout de facilité de commercialisation.10 En effet, rappelons qu’un système symbolique repose sur des règles écrites par des experts : il faut l'adapter, le reprogrammer, le valider à chaque nouveau cas d'usage. Un modèle de Deep Learning, à l'inverse, n'a besoin que de données. Le même socle technique peut ainsi être redéployé presque tel quel pour traduire du texte, reconnaître une image, prédire un clic publicitaire ou piloter un véhicule. Cette portabilité change la nature du produit : au lieu de vendre une solution sur mesure à chaque client, l'entreprise vend une capacité générique, qu'elle peut décliner à l'infini. De plus, contrairement à un modèle symbolique dont les performances dépendent de la qualité et du nombre des règles écrites par des experts, un modèle de Deep Learning s'améliore mécaniquement à mesure qu'on le nourrit de données supplémentaires. Or Google, par son moteur de recherche, dispose déjà d'un flux quotidien de milliards de requêtes, de clics et de comportements d'utilisateurs : une matière première qu'aucun concurrent, ni aucun laboratoire académique, ne peut réunir à cette échelle.

C’est ainsi qu’au début des années 2010, Google, devenu géant du secteur, investit massivement dans le Deep Learning. Ce tournant marque le début de son adoption généralisée par toute l’industrie tech. Et ce choix n’a rien d’un pari scientifique désintéressé. L’équipe du chercheur en IA Geoffrey Hinton, nouvellement embauché par Google, oriente rapidement ses travaux vers des applications à forte valeur commerciale pour l’entreprise : traduction automatique (Google Translate), prédiction de texte (Gmail), voiture autonome (Waymo). Et le Deep Learning vient améliorer directement le cœur du modèle économique de l’entreprise : en affinant la correspondance entre les requêtes des utilisateurs et les pages web, il permet à la fois de meilleurs résultats de recherche et des publicités plus précisément ciblées. Plus Google engrange de bénéfices publicitaires grâce à l’IA, plus il investit dans sa recherche, et plus le reste de l’industrie suit ce mouvement.

Un autre exemple du façonnement des IA modernes par le système américain : la création et l’évolution d'OpenAI, à l’origine de notre nouveau meilleur ami ChatGPT, première application grand public d'IA générative.

En 2014, Google, dirigé par Larry Page, rachète DeepMind, une société destinée à produire l’Intelligence Artificielle Générale (AGI)*.

→ L'AGI est aujourd'hui l'objectif affiché de la plupart des grandes entreprises d'IA : il s’agit d’une seule intelligence artificielle capable d'effectuer n'importe quelle tâche cognitive aussi bien ou mieux que l'humain. Les IA que nous utilisons aujourd’hui sont dites « étroites » ou « spécialisées », elles excellent dans une tâche ou un domaine circonscrit (traduction, reconnaissance d'image, génération de texte, etc.), par opposition à une intelligence généraliste capable de transférer ses capacités d'un domaine à l'autre.

Elon Musk, qui connaît bien Larry Page, s’inquiète de la possibilité que l’AGI cause l’extinction de l’humanité. Il s’énerve de l’indifférence de Page face à ce danger. Larry Page répond en accusant Elon Musk de « spécisme » (discrimination en faveur de sa propre espèce). Elon Musk fonde alors OpenAI avec Sam Altman en 2015 : une organisation à but non lucratif, dont la mission est de développer une AGI « libre de droits de propriété » qui profiterait « à toute l'humanité ».

Elon Musk, déjà richissime grâce à Tesla et SpaceX, finance le projet avec d’autres membres de la « mafia Paypal » (dont Peter Thiel) : ils réunissent un milliard de dollars. Cette somme sert notamment à recruter les meilleurs chercheurs du secteur : Ilya Sutskever (chercheur chez Google ayant travaillé sur le projet AlexNet), Greg Brockman (développeur chez Stripe, l’infrastructure de paiement numérique) - ces deux derniers sont d’ailleurs co-fondateurs d’OpenAI -, et Dario Amodei (chercheur en IA chez Google, puis Vice-Président d’OpenAI, qui fondera plus tard Anthropic, société à l’origine de votre autre nouveau meilleur ami : Claude). Ces chercheurs brillants se laissent convaincre en 2015 par la vision de Musk et Altman : puisque l’AGI verra le jour, autant qu’elle profite à toute l’humanité et pas seulement qu’elle « assure le succès d’un groupe d’investisseurs ou d’une entreprise en particulier » (mail de Brockman à Musk et Altman en novembre 2015, Empire of AI10). Musk et Altman insistent également sur la notion d’« alignement des intelligences artificielles »9 : pour éviter que la machine ne détruise l’humanité, il faut que ses intérêts et ses valeurs soient étroitement liés à ceux des humains.

Nous reviendrons sur la vision de ces géants de l’IA dans un prochain numéro intitulé Les idéologues de l’IA. Mais il faut bien noter ici que la notion d’« entière humanité » est à comprendre comme « survie en tant qu’espèce » et non « tous les individus ». Par exemple, dès les premières avancées, des groupes de chercheurs au sein d’OpenAI alertent sur les biais discriminatoires inévitables des modèles. La direction d’OpenAI refuse d’allouer des ressources sur cet aspect de la sécurisation de l’IA (Empire of AI, Hao, 2025, p80).

Les dirigeants d’OpenAI se rendent compte des montants astronomiques nécessaires à l’atteinte de l’AGI : salaires de ces chercheurs star, énergie, construction de data centers, puces GPU… Le statut d'organisation à but non lucratif ne permet aucun retour sur investissement pour d'éventuels investisseurs, un obstacle rédhibitoire face à ces besoins de financement. Les dirigeants commencent à réfléchir à changer de statut. Musk propose de financer OpenAI directement grâce aux bénéfices de ses autres entreprises, ce qui lui paraît d'autant plus cohérent qu'il y voit des synergies évidentes : OpenAI permettrait à Tesla d'améliorer ses voitures autonomes (l'Autopilot est déjà sorti), et se marierait bien avec Neuralink - l'entreprise de Musk qui développe des puces destinées à connecter le cerveau humain à un ordinateur. Cette proposition ne convainc pas Sam Altman, qui parvient à rallier à sa cause Greg Brockman et Ilya Sutskever. Musk quitte alors le projet.

En 2019, Altman scelle un accord avec Microsoft. OpenAI devient une structure à profit plafonné (les investisseurs ne peuvent toucher que 100 fois leur mise). Microsoft investit un milliard de dollars en échange de droits exclusifs de commercialisation sur son cloud Azure. Cet accord, mené par Sam Altman, est perçu comme flou et exacerbe les tensions : Qu’a-t-il vraiment promis ? Est-il toujours fidèle à la mission ? Dario Amodei, en charge de l'aspect sécurité de l’IA chez OpenAI et jugeant qu’Altman a trahi la cause, quitte l’entreprise en 2020 ; il fondera Anthropic l'année suivante. Après le coup de théâtre de novembre 2023, au cours duquel Sam Altman est licencié par un conseil d'administration alors composé de plusieurs membres attachés à la mission non lucrative, puis réintégré cinq jours plus tard sous la pression de Microsoft, Altman se retrouve à la tête d'un nouveau conseil d'administration nettement plus favorable à l'accélération commerciale. En octobre 2025, OpenAI finalise une restructuration complète : la branche à but non lucratif devient l'OpenAI Foundation, réduite à une participation minoritaire d'environ 26 % dans une nouvelle entité commerciale, l'OpenAI Group PBC - une Public Benefit Corporation, statut américain qui autorise une entreprise à poursuivre un but lucratif tout en affichant une mission d'intérêt général, sans toutefois imposer de vérification extérieure contraignante du respect de cette mission. Aux côtés de Microsoft (27 %) et des salariés et investisseurs (47 %), le plafond de rendement disparaît entièrement, ouvrant la voie à une éventuelle entrée en Bourse. En dix ans, ce qui devait être une mission non lucrative au service de l'humanité - une ambition déjà questionnable dès lors qu'elle reposait sur la volonté de quelques milliardaires plutôt que sur une délibération collective - s'est transformée en start-up comme les autres : des actionnaires, un plafond de rendement supprimé, et le cap mis sur une entrée en Bourse.

Ces deux exemples (le choix scientifique de l’IA connexionniste et la dérive institutionnelle d'une organisation à but non lucratif) révèlent une même logique de fond. Les idées scientifiques (quelle approche de l'IA mérite d'être développée) et les institutions censées les porter (quelle organisation a le droit de les développer, et dans quel but) sont structurellement dépendantes du capital privé. Celui-ci finit toujours par trancher, non pas parce que le marché aurait raison sur le fond, mais parce qu'il est, aux États-Unis, la seule source de financement suffisamment massive pour soutenir la course à l'IA. En d'autres termes, le modèle néolibéral américain ne se contente pas de financer l'innovation, il façonne ce que l'innovation a le droit de devenir.